EstimatorStep Klas

AFGEKEURD. Hiermee maakt u een pijplijnstap die moet worden uitgevoerd Estimator voor azure ML-modeltraining.

Een Azure ML-pijplijnstap maken om Estimator voor machine learning-modeltraining uit te voeren.

AFGEKEURD. Gebruik in plaats daarvan de CommandStep . Zie Ml-training uitvoeren in pijplijnen met CommandStep voor een voorbeeld.

Overname

PythonScriptStep

EstimatorStep

Constructor

EstimatorStep(name=None, estimator=None, estimator_entry_script_arguments=None, runconfig_pipeline_params=None, inputs=None, outputs=None, compute_target=None, allow_reuse=True, version=None)

Parameters

Name	Description
name	str De naam van de stap. Default value: None
estimator	Estimator Het bijbehorende estimator-object voor deze stap. Kan een vooraf geconfigureerde estimator zijn, zoals Chainer, PyTorch, TensorFlowof SKLearn. Default value: None
estimator_entry_script_arguments	list[str] [Vereist] Een lijst met opdrachtregelargumenten. Als het invoerscript van de estimator geen opdrachtregelargumenten accepteert, stelt u deze parameterwaarde in op een lege lijst. Default value: None
runconfig_pipeline_params	dict[str, PipelineParameter] Een onderdrukking van runconfig-eigenschappen tijdens runtime met behulp van sleutel-waardeparen, elk met de naam van de eigenschap runconfig en PipelineParameter voor die eigenschap. Ondersteunde waarden: 'NodeCount', 'MpiProcessCountPerNode', 'TensorflowWorkerCount', 'TensorflowParameterServerCount' Default value: None
inputs	list[Union[PipelineData, PipelineOutputAbstractDataset, DataReference, DatasetConsumptionConfig]] Een lijst met invoer die moet worden gebruikt. Default value: None
outputs	list[Union[PipelineData, OutputDatasetConfig, PipelineOutputAbstractDataset]] Een lijst met PipelineData-objecten. Default value: None
compute_target	Union[DsvmCompute, AmlCompute, RemoteCompute, str] [Vereist] Het rekendoel dat moet worden gebruikt. Default value: None
allow_reuse	bool Hiermee wordt aangegeven of de stap eerdere resultaten opnieuw moet gebruiken wanneer deze opnieuw wordt uitgevoerd met dezelfde instellingen. Hergebruik is standaard ingeschakeld. Als de inhoud van de stap (scripts/afhankelijkheden) en de invoer en parameters ongewijzigd blijven, wordt de uitvoer van de vorige uitvoering van deze stap opnieuw gebruikt. Wanneer u de stap opnieuw gebruikt, worden de resultaten van de vorige uitvoering onmiddellijk beschikbaar gemaakt voor eventuele volgende stappen in plaats van de taak te verzenden om te berekenen. Als u Azure Machine Learning-gegevenssets als invoer gebruikt, wordt hergebruik bepaald door of de definitie van de gegevensset is gewijzigd, niet door of de onderliggende gegevens zijn gewijzigd. Default value: True
version	str Een optionele versietag om een wijziging in de functionaliteit voor de module aan te geven. Default value: None
name Vereist	str De naam van de stap.
estimator Vereist	<xref:Estimator> Het bijbehorende estimator-object voor deze stap. Kan een vooraf geconfigureerde estimator zijn, zoals Chainer, PyTorch, TensorFlowof SKLearn.
estimator_entry_script_arguments Vereist	[str] [Vereist] Een lijst met opdrachtregelargumenten. Als het invoerscript van de estimator geen opdrachtregelargumenten accepteert, stelt u deze parameterwaarde in op een lege lijst.
runconfig_pipeline_params Vereist	dict[str, PipelineParameter] Een onderdrukking van runconfig-eigenschappen tijdens runtime met behulp van sleutel-waardeparen, elk met de naam van de eigenschap runconfig en PipelineParameter voor die eigenschap. Ondersteunde waarden: 'NodeCount', 'MpiProcessCountPerNode', 'TensorflowWorkerCount', 'TensorflowParameterServerCount'
inputs Vereist	list[Union[PipelineData, PipelineOutputAbstractDataset, DataReference, DatasetConsumptionConfig, PipelineOutputTabularDataset, PipelineOutputFileDataset]] Een lijst met invoer die moet worden gebruikt.
outputs Vereist	list[Union[PipelineData, PipelineOutputAbstractDataset] Een lijst met PipelineData-objecten.
compute_target Vereist	Union[DsvmCompute, AmlCompute, RemoteCompute, str] [Vereist] Het rekendoel dat moet worden gebruikt.
allow_reuse Vereist	bool Hiermee wordt aangegeven of de stap eerdere resultaten opnieuw moet gebruiken wanneer deze opnieuw wordt uitgevoerd met dezelfde instellingen. Hergebruik is standaard ingeschakeld. Als de inhoud van de stap (scripts/afhankelijkheden) en de invoer en parameters ongewijzigd blijven, wordt de uitvoer van de vorige uitvoering van deze stap opnieuw gebruikt. Wanneer u de stap opnieuw gebruikt, worden de resultaten van de vorige uitvoering onmiddellijk beschikbaar gemaakt voor eventuele volgende stappen in plaats van de taak te verzenden om te berekenen. Als u Azure Machine Learning-gegevenssets als invoer gebruikt, wordt hergebruik bepaald door of de definitie van de gegevensset is gewijzigd, niet door of de onderliggende gegevens zijn gewijzigd.
version Vereist	str versie

Opmerkingen

Houd er rekening mee dat de argumenten voor het invoerscript dat in het Estimator object wordt gebruikt, moeten worden opgegeven als lijst met behulp van de estimator_entry_script_arguments parameter bij het instantiëren van een EstimatorStep. De parameter script_params Estimator accepteert een woordenlijst. Parameter estimator_entry_script_argument verwacht echter argumenten als een lijst.

De EstimatorStep-initialisatie omvat het opgeven van een lijst met invoer met de inputs parameter en u hoeft de invoer niet op te geven met de estimator. Als u dat doet, wordt er een uitzondering gegenereerd. Raadpleeg de inputs parameter voor de typen invoer die zijn toegestaan. U kunt desgewenst ook uitvoer voor de stap opgeven. Raadpleeg de outputs parameter voor de typen uitvoer die zijn toegestaan.

De best practice voor het werken met EstimatorStep is om een afzonderlijke map te gebruiken voor scripts en eventuele afhankelijke bestanden die zijn gekoppeld aan de stap, en die map op te geven als de van source_directoryhet Estimator object . Dit heeft twee voordelen. Ten eerste helpt het de grootte te verkleinen van de momentopname die voor de stap is gemaakt, omdat alleen de momentopnamen worden gemaakt die nodig zijn voor de stap. Ten tweede kan de uitvoer van de stap van een vorige uitvoering opnieuw worden gebruikt als er geen wijzigingen zijn in de source_directory die een herupload van de snaphot activeren.

Methoden

create_node

Maak een knooppunt uit de stap Estimator en voeg dit toe aan de opgegeven grafiek. AFGEKEURD. Gebruik in plaats daarvan de CommandStep . Zie Ml-training uitvoeren in pijplijnen met CommandStep voor een voorbeeld. Deze methode is niet bedoeld om rechtstreeks te worden gebruikt. Wanneer een pijplijn wordt geïnstantieerd met deze stap, geeft Azure ML automatisch de vereiste parameters door via deze methode, zodat deze stap kan worden toegevoegd aan een pijplijngrafiek die de werkstroom vertegenwoordigt.

create_node

Maak een knooppunt uit de stap Estimator en voeg dit toe aan de opgegeven grafiek.

AFGEKEURD. Gebruik in plaats daarvan de CommandStep . Zie Ml-training uitvoeren in pijplijnen met CommandStep voor een voorbeeld.

Deze methode is niet bedoeld om rechtstreeks te worden gebruikt. Wanneer een pijplijn wordt geïnstantieerd met deze stap, geeft Azure ML automatisch de vereiste parameters door via deze methode, zodat deze stap kan worden toegevoegd aan een pijplijngrafiek die de werkstroom vertegenwoordigt.

create_node(graph, default_datastore, context)

Parameters

Name	Description
graph Vereist	Graph Het grafiekobject waaraan u het knooppunt wilt toevoegen.
default_datastore Vereist	Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore] Het standaardgegevensarchief.
context Vereist	<xref:azureml.pipeline.core._GraphContext> De grafiekcontext.

Retouren

Type	Description
Node	Het gemaakte knooppunt.